Evaluación de series temporales sintéticas para trading de criptomonedas

Resumen

CTBench es un banco de pruebas para evaluar series temporales sintéticas de criptomonedas, motivado por la negociación continua, la alta volatilidad y los rápidos cambios de régimen del mercado. Reúne datos de 452 tokens y evalúa ocho modelos representativos de generación en cuatro regímenes de mercado. Sus 13 métricas abarcan la precisión de los pronósticos, la clasificación transversal, los resultados de trading, el riesgo y el coste computacional.

La referencia utiliza dos tareas: utilidad predictiva, que comprueba si los datos generados conservan patrones útiles para pronosticar, y arbitraje estadístico, que evalúa si las series reconstruidas pueden respaldar señales de trading con reversión a la media. El análisis descrito encuentra compensaciones entre fidelidad estadística y rentabilidad, y ofrece clasificaciones comparativas y orientación para elegir modelos. La referencia proporciona un marco para evaluar datos sintéticos, pero sus hallazgos dependen de los modelos, métricas, regímenes de mercado y estrategias elegidos para la evaluación; una gran semejanza con datos sintéticos por sí sola no demuestra valor para el trading en vivo.

Ideas clave

• CTBench evalúa series temporales generadas de criptomonedas tanto para usos predictivos como de trading.
• Sus métricas abarcan pronósticos, fidelidad de clasificación, rendimiento de trading, riesgo y eficiencia computacional.
• La tarea de utilidad predictiva comprueba si los datos sintéticos conservan patrones útiles para hacer predicciones.
• La tarea de arbitraje estadístico evalúa si los datos respaldan señales de trading con reversión a la media.
• Las comparaciones descritas muestran que la fidelidad estadística y la rentabilidad pueden divergir.

Etiquetas

# CTBench: Cryptocurrency Time Series Generation Benchmark


# CTBench: Cryptocurrency Time Series Generation Benchmark









Synthetic time series are essential tools for data augmentation, stress testing, and algorithmic prototyping in quantitative finance. However, in cryptocurrency markets, characterized by 24/7 trading, extreme volatility, and rapid regime shifts, existing Time Series Generation (TSG) methods and benchmarks often fall short, jeopardizing practical utility. Most prior work (1) targets non-financial or traditional financial domains, (2) focuses narrowly on classification and forecasting while neglecting crypto-specific complexities, and (3) lacks critical financial evaluations, particularly for trading applications. To address these gaps, we introduce \textsf{CTBench}, the first comprehensive TSG benchmark tailored for the cryptocurrency domain. \textsf{CTBench} curates an open-source dataset from 452 tokens and evaluates TSG models across 13 metrics spanning 5 key dimensions: forecasting accuracy, rank fidelity, trading performance, risk assessment, and computational efficiency. A key innovation is a dual-task evaluation framework: (1) the \emph{Predictive Utility} task measures how well synthetic data preserves temporal and cross-sectional patterns for forecasting, while (2) the \emph{Statistical Arbitrage} task assesses whether reconstructed series support mean-reverting signals for trading. We benchmark eight representative models from five methodological families over four distinct market regimes, uncovering trade-offs between statistical fidelity and real-world profitability. Notably, \textsf{CTBench} offers model ranking analysis and actionable guidance for selecting and deploying TSG models in crypto analytics and strategy development.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.